支持向量机在血细胞分类中的应用

支持向量机是根据统计理论提出的一种新的学习算法。该算法通常可用于解决二分类问题 ,本文将其推广到多分类问题 ,利用多级支持向量机分类器对骨髓中不同成熟阶段的血细胞进行了分类。文中首先提出了利用逐步分解的分级聚类算法进行多级支持向量机的构建 ,然后通过一定准则在各级中确定支持向量机相应的最优控制参数。为了进一步了解分类性能和较好的估计分类错误率 ,使用 3次交叉验证法将其与传统的分类方法作了比较。实验表明 ,支持向量机分类器巧妙避开了维数灾难问题 ,具有较好的推广能力 ,可提高血细胞分类的正确率。

基于颜色、梯度矢量流活动轮廓及支持向量机实现白细胞的提取和分类

提出了一种基于图像技术实现白细胞分类的方法。首先,利用彩色图像的信息转换、距离变换和梯度矢量流活动轮廓(GVF Snake)等方法从血液细胞图像中提取出白细胞;然后,利用细胞核在图像中具有较高颜色饱和度的特点,结合数学形态学和GVF Snake方法从白细胞中精确地提取出细胞核。最后,根据细胞的形态、颜色及纹理特征用支持向量机(SVM)对白细胞进行分类。实验结果表明:在上述图像分割的基础上,基于支持向量机分类器的方法对白细胞进行分类,分类准确度能够达到89.6%。与其他传统的分割和分类的方法相比,本文提出的方法具有一定的优越性。

基于迁移学习和支持向量机的白细胞分类

针对人工镜检分类白细胞准确率和效率低的问题,基于深度学习和机器学习算法,提出了一种基于迁移学习和支持向量机的白细胞分类方法。首先对迁移模型进行微调训练,其次用微调训练后的迁移模型进行特征提取,然后将特征输入至神经网络和支持向量机中进行训练,最后通过神经网络和支持向量机的组合分类器对白细胞进行分类。实验结果表明,白细胞分类准确率由最初微调训练的83.26%,随着迁移模型的优化提升为90.43%,最后通过组合分类器再次提升为93.52%,可以在临床实践中帮助医生提高诊断的准确率和效率。